能動的データ収集、移動行動モデリング、気象依存型需要予測のためのエージェントアプローチ

私たちは毎日、天気を見て通勤手段を決めています。雨の日はバスに乗ろう、晴れた日は自転車で行こう——こうした判断は無意識のうちに行われていますが、実は都市計画や交通機関の運営側からすると、この「天気による揺らぎ」は悩みの種です。バスが満員になるのか、タクシーの需要が増えるのか、事前に予測できれば、より効率的なサービスを提供できるはずです。

今回、研究者たちが注目したのは、この気象と移動手段の選択パターンです。従来の調査方法では、人々に直接インタビューするのに時間がかかりますが、この研究ではチャットボット（自動会話システム）を使った新しい手法を試みました。学生たちに「もし明日が雨だったら？」「気温が35度だったら？」という5つの異なる気象シナリオを提示し、その時どの交通手段を選ぶかを聞いたわけです。

このアプローチの面白さは、調査の効率化だけにはありません。人間の行動をシナリオベースで予測する際に、チャットボットなら24時間対応でき、回答もデータとして自動で集まります。従来の紙のアンケートより、回収率が高く、データの質も安定しやすいのです。

集めたデータを機械学習モデルで分析した結果、ランダムフォレスト（複数の決定木を組み合わせた手法）で69.6%、さらに高度な大規模言語モデル（LLM）で69.9%の精度が出ました。つまり、10人のうち7人近くについて、その日の気象条件から正確に移動手段を予測できるということです。これは一見すると「70%？」と思うかもしれませんが、人間の行動は複雑で、同じ条件でも人によって異なります。その中での70%近い精度は、実用的な水準といえます。

注目すべきは、機械学習の複数の手法を試して比較した点です。統計的なモデル、従来の機械学習、そして最新のAI——それぞれの得意・不得意を理解することで、どの方法が最適かを判断できます。気象予報のような「条件が限定的なケース」では、複数の手法を組み合わせることで、より堅牢な予測システムが作れるということが示唆されました。

この研究が生活に与える影響を考えると、将来的には「明日の天気と曜日から、バスの運行本数を自動調整する」といったシステムが実現するかもしれません。利用者にとっても、混雑回避のための移動時間提案ができるようになり、双方にメリットが生まれます。